Kürzlich hat die Neuronale Architektur-Suche (Neural Architecture Search, NAS) erfolgreich neuronale Netzwerkarchitekturen identifiziert, die menschlich entworfene Architekturen bei der großen Bildklassifikation übertreffen. In dieser Arbeit untersuchen wir NAS für die semantische Bildsegmentierung. Bestehende Arbeiten konzentrieren sich oft auf die Suche nach wiederholbaren Zellstrukturen, während sie die äußere Netzwerkstruktur, die für Veränderungen der räumlichen Auflösung zuständig ist, manuell entwerfen. Diese Wahl vereinfacht den Suchraum, wird aber zunehmend problematisch für dichte Bildvorhersage, die eine viel größere Vielfalt an Netzwerkarchitekturen aufweist. Daher schlagen wir vor, sowohl die Netzwerkstruktur als auch die Zellstruktur zu durchsuchen, was einen hierarchischen Suchraum für Architekturen bildet. Wir präsentieren einen Netzwerk-Level-Suchraum, der viele gängige Entwürfe umfasst, und entwickeln eine Formulierung, die eine effiziente gradientenbasierte Architektursuche ermöglicht (3 GPU-Tage mit P100 auf Cityscapes-Bildern). Wir zeigen die Effektivität des vorgeschlagenen Verfahrens anhand der anspruchsvollen Datensätze Cityscapes, PASCAL VOC 2012 und ADE20K. Auto-DeepLab, unsere speziell für semantische Bildsegmentierung durchsuchte Architektur, erreicht ohne jede ImageNet-Vor训练 den aktuellen Stand der Technik.请注意，最后一句中的“Vor训练”是中文字符混入的错误，正确的德语翻译应该是“Vortraining”。因此，正确的翻译为：Auto-DeepLab, unsere speziell für semantische Bildsegmentierung durchsuchte Architektur, erreicht ohne jedes ImageNet-Vortraining den aktuellen Stand der Technik.